สร้างโลก 3D ไม่สิ้นสุดจากภาพเดียว: LingBot-World 2.0 เปิดตัวโอเพนซอร์สวันนี้ พร้อมอินเทอร์แอกทีฟไร้ขีดจำกัดที่ 60fps

สนามแข่งโมเดลโลก (World Model) มีคนโยนระเบิดน้ำลึกอีกลูกแล้ว เมื่อวันที่ 9 กรกฎาคม ทีม Ant Lingbo (Robbyant) เปิดตัว LingBot-World 2.0 (ชื่อรหัส LingBot-World-Infinity) อย่างเป็นทางการแบบโอเพนซอร์ส โดยเปิดเผยครบทั้งสามอย่างคืองานวิจัย โค้ด และน้ำหนักโมเดล คราวนี้พวกเขาได้เคี้ยวกระดูกที่ยากที่สุดสองชิ้นของโมเดลโลกคือ "ระยะเวลาไม่จำกัด" และ "โลกที่เปลี่ยนแปลงแบบสุ่ม" ลงไปจนหมด

ขอพูดถึงตัวเลขที่ปังที่สุดก่อนเลย: 720p, 60fps, ระยะเวลาไม่จำกัด ไม่ใช่ "เกือบไม่จำกัด" แต่เป็นอินเทอร์แอกทีฟที่ไร้ขีดจำกัดอย่างแท้จริงภายใต้กระบวนทัศน์ causal pretraining — ตราบใดที่ GPU ของคุณยังไม่ดับ โมเดลก็สร้างต่อไปได้เรื่อยๆ โดยคุณภาพผลลัพธ์ไม่เสื่อมลงตามเวลา เทียบกับเวอร์ชัน 1.0 ที่รักษาการสร้างแบบเสถียรได้ไม่ถึง 10 นาที รุ่นนี้เต็มสปีดหมดจริงๆ

การอัปเกรดหลัก 4 ด้าน: จาก "ใช้ได้" สู่ "สนุก"

LingBot-World 2.0 นำมาซึ่งการเปลี่ยนแปลงเชิงคุณภาพใน 4 มิติ แต่ละด้านตอกโจทย์ปัญหาของโมเดลโลกโดยตรง

① ระยะเวลาอินเทอร์แอกทีฟแบบไร้ขีดจำกัด

นี่คือก้าวที่ฮาร์ดคอร์ที่สุด เวอร์ชัน 1.0 แม้จะสร้างได้อย่างเสถียรราว 10 นาที แต่ก็มีขีดจำกัดอยู่ดี เวอร์ชัน 2.0 ใช้กระบวนทัศน์ causal pretraining ที่ออกแบบมาอย่างประณีต ทำให้โมเดลสามารถมีระยะเวลาอินเทอร์แอกทีฟไม่จำกัดโดยยังคงคุณภาพผลลัพธ์ให้สม่ำเสมอ พูดง่ายๆ ก็คือ: ตัวละครของคุณวิ่งไปในโลกได้ตลอดไป ภาพไม่เบลอขึ้นเรื่อยๆ และตรรกะทางฟิสิกส์ก็ไม่รกขึ้นเรื่อยๆ

จุดสำคัญทางเทคนิคอยู่ที่การออกแบบ sliding window ของ KV Cache โมเดลจะไม่ยัดเฟรมประวัติทั้งหมดเข้าไปใน VRAM แต่จะเก็บ KV cache ของ sink frame (เฟรมหลัก) บวกกับ N เฟรมล่าสุด แล้วเดินหน้าไปเหมือนสายน้ำที่ไหล ทั้งรักษาความสอดคล้องระยะยาวและควบคุมการใช้ VRAM

② การตอบสนองเรียลไทม์ที่ 60fps

เวอร์ชัน 1.0 ทำได้ 16FPS โดยความหน่วงต่ำกว่า 1 วินาที เวอร์ชัน 2.0 ดิสติลเวอร์ชันเรียลไทม์ขึ้นไปถึง 720p 60fps เลย นี่ไม่ใช่การเล่นวิดีโอที่เรนเดอร์ไว้ล่วงหน้า แต่เป็นการสร้างแบบเรียลไทม์จริงๆ — คุณกดปุ่มปุ๊บ ภาพตอบสนองทันที ทีมงานใช้เทคนิค model distillation สกัดเวอร์ชันเรียลไทม์ขนาดเบาออกจากโมเดลพื้นฐาน 14B โดยบีบความหน่วงการอินเฟอร์เรนซ์ให้ลดลงอย่างมากพร้อมกับรักษาคุณภาพภาพเอาไว้

③ องค์ประกอบอินเทอร์แอกทีฟที่หลากหลายขึ้น

เวอร์ชัน 1.0 รองรับหลักๆ แค่การควบคุมกล้อง (แพน หมุน) และการเคลื่อนไหวพื้นฐาน (เดินหน้า กระโดด) เวอร์ชัน 2.0 ขยายชุดการเคลื่อนไหวอย่างมาก: โจมตี ยิงธนู ร่ายเวท ยิงปืน รองรับหมด ที่สำคัญกว่าคือการเปิดตัวระบบเหตุการณ์ที่ขับเคลื่อนด้วยข้อความ — คุณสามารถใช้ข้อความบรรยายเพื่อเปลี่ยนสถานะของโลก เช่น "เรียกเก้าอี้ออกมา" หรือ "เนรมิตดอกไม้ขึ้นมา" โมเดลจะสร้างเนื้อหาที่ตรงกันแบบเรียลไทม์และผนวกเข้ากับฉาก

④ Agentic Harness: AI เป็นผู้กำกับเอง

นี่คือความพยายามที่ล้ำสุด ทีมงานได้ฝังเฟรมเวิร์กอัจฉริยะเข้าไปในโมเดลโลก โดยมีสองบทบาทคือ:

• Pilot Agent (เอเจนต์นักบิน): รับผิดชอบการวางแผนและปฏิบัติพฤติกรรมของตัวละคร ตัดสินใจว่าตัวละครจะไปทางไหนและทำอะไร
• Director Agent (เอเจนต์ผู้กำกับ): รับผิดชอบการสังเคราะห์องค์ประกอบสภาพแวดล้อมใหม่ สร้างเนื้อหาใหม่แบบไดนามิกไปพร้อมกับความคืบหน้าของฉาก

เท่ากับว่าโมเดลเองสามารถทำหน้าที่เป็นทั้งเกมเอนจินและนักออกแบบเกม คุณแค่ให้ภาพหนึ่งใบกับข้อความบรรยายหนึ่งชุด มันก็รันโลกที่พัฒนาไปเรื่อยๆ ออกมาให้เองได้

สเปกโมเดล: 14B รุ่นเรือธง + 1.3B รุ่นเบา

ครั้งนี้เปิดตัวโมเดลสองขนาดคือ:

• รุ่นเรือธง 14B: มี 3 ตัวแปรคือ causal-fast (อินเฟอร์เรนซ์เร็วแบบเชิงสาเหตุ), causal-pretrain (พรีเทรนแบบเชิงสาเหตุ) และ bidirectional (สองทาง) พร้อมประสิทธิภาพเต็มรูปแบบ
• รุ่นเบา 1.3B: มี 2 ตัวแปรคือ causal-fast และ causal-pretrain รองรับการดีพลอยบน GPU เดี่ยว

เวอร์ชัน 14B ต้องใช้ GPU 8 ตัวรันอินเฟอร์เรนซ์แบบมัลติการ์ด ส่วนเวอร์ชัน 1.3B การ์ดเดียวก็รันได้ ทั้งสองเวอร์ชันอัปโหลดขึ้น HuggingFace และ ModelScope แล้ว เวอร์ชัน 1.0 ใช้สัญญาอนุญาตแบบเปิด Apache 2.0 ส่วน 2.0 เปลี่ยนเป็น CC BY-NC-SA 4.0 (ห้ามใช้เชิงพาณิชย์)

วิธีรันให้ทำงาน

โค้ดสร้างบนฐานของ Wan2.2 ขั้นตอนติดตั้งก็เป็นมาตรฐานทั่วไป:

git clone https://github.com/robbyant/lingbot-world-v2.git
cd lingbot-world-v2
pip install -r requirements.txt
pip install flash-attn –no-build-isolation

ดาวน์โหลดน้ำหนักโมเดล (ยกตัวอย่าง 14B causal-fast):

huggingface-cli download robbyant/lingbot-world-v2-14b-causal-fast –local-dir ./lingbot-world-v2-14b-causal-fast

รันการอินเฟอร์เรนซ์เชิงสาเหตุที่ 480P:

torchrun –nproc_per_node=8 generate.py \
–task i2v-A14B –size 480*832 \
–ckpt_dir lingbot-world-v2-14b-causal-fast \
–image examples/03/image.jpg \
–action_path examples/03 \
–dit_fsdp –t5_fsdp –ulysses_size 8 \
–frame_num 361 –local_attn_size 18 –sink_size 6 \
–prompt “A serene lakeside scene with a lone tree standing in calm water…”

คำอธิบายพารามิเตอร์สำคัญ:
– frame_num: จำนวนเฟรมที่สร้าง 361 เฟรมคือประมาณ 22 วินาที@16fps แต่ภายใต้การอินเฟอร์เรนซ์แบบเชิงสาเหตุสามารถตั้งค่าให้มากกว่านี้ได้
– local_attn_size: ขนาดหน้าต่าง attention แบบท้องถิ่น ควบคุมว่าแต่ละขั้นจะมองเฟรมประวัติกี่เฟรม
– sink_size: จำนวนเฟรมหลัก โดยเก็บเฟรมแรกๆ ไว้เป็นบริบทระดับโลก

ช่องทางทดลองเล่นออนไลน์

ไม่มี A100 8 ตัว? ไม่เป็นไร ทีมงานมีแพลตฟอร์มทดลองเล่นออนไลน์ให้สองแห่ง:

• ต่างประเทศ (Reactor): reactor.inc/lingbot-world-v2 เล่นได้เลยบนเว็บ
• จีน (Lingguang): lingguang.com/support ทดลองเล่นได้บนมือถือ

นอกจากนี้ ในงาน WAIC 2026 (World Artificial Intelligence Conference) ปลายเดือนกรกฎาคม จะมีบูธสาธิตเวอร์ชันเต็มอย่างเป็นทางการ ใครอยากลองเวอร์ชันเต็มพลังก็ไปที่นั่นได้

แผนการดีพลอย: SGLang รองรับแบบเนทีฟแล้ว

ถ้าคุณวางแผนจะดีพลอยเอง SGLang รองรับเส้นทางการอินเฟอร์เรนซ์แบบเรียลไทม์ของ LingBot-World 2.0 แบบเนทีฟแล้ว มันใช้โปรโตคอล WebSocket + MessagePack โดยเซิร์ฟเวอร์จะรักษาเซสชันที่กำลังแอคทีฟไว้ สร้างเฟรมวิดีโอทีละ chunk และรองรับการรับเหตุการณ์ควบคุมแบบไดนามิกระหว่างรัน (การเคลื่อนไหวกล้อง การเปลี่ยน prompt ข้อความ ฯลฯ)

API หลักคือ /v1/realtime_video/generate WebSocket endpoint เมื่อไคลเอนต์เชื่อมต่อแล้วจะส่งข้อความ init ก่อน (รวมภาพเฟรมแรก prompt ขนาด FPS ฯลฯ) จากนั้นสามารถส่งข้อความ event ต่อเนื่องเพื่ออัปเดตฉากได้ ประเภทเหตุการณ์ที่รองรับมีสามแบบคือ การอัปเดต prompt การเคลื่อนไหวกล้อง และการป้อนข้อมูลแบบผสม

เทียบกับ Google Genie 3 แล้วอย่างไร?

ตอนเปิดตัวเวอร์ชัน 1.0 ทีมงานก็ตั้งเป้าเทียบกับ Google Genie 3 อย่างชัดเจน จาก 1.0 สู่ 2.0 ไม่ใช่แค่ไล่ตามให้ทัน แต่บางมิติยังแซงไปแล้ว:

• ระยะเวลา: Genie 3 มีระยะเวลาจำกัด vs LingBot 2.0 ไม่มีขีดจำกัด
• ความละเอียด/FPS: Genie 3 ไม่เปิดเผยสเปกละเอียด vs LingBot 2.0 ระบุชัด 720p@60fps
• ระดับการเปิดเผยโอเพนซอร์ส: Genie 3 ปิดซอร์ส vs LingBot 2.0 โอเพนซอร์สทั้งหมด (งานวิจัย+โค้ด+น้ำหนักโมเดล)
• ความหลากหลายของการอินเทอร์แอกท์: Agentic Harness ของ LingBot 2.0 เป็นครั้งแรกในวงการโมเดลโลก

ข้อจำกัดและจุดที่ยังไม่ดี

พูดตามตรงเรื่องข้อจำกัดสักไม่กี่ข้อ:

• เวอร์ชัน 14B ต้องใช้ GPU 8 ตัว ระดับความต้องการไม่ต่ำ (เวอร์ชัน 1.3B ช่วยบรรเทาปัญหานี้ได้)
• สัญญาอนุญาตของ 2.0 เปลี่ยนเป็น CC BY-NC-SA 4.0 ถ้าใช้เชิงพาณิชย์ต้องขออนุญาตแยก
• ทีมงานระบุชัดว่าจะไม่เผยแพร่โค้ดการดีพลอย ต้องศึกษาจาก SGLang หรือ flashdreams เอง
• เวอร์ชันเรียลไทม์ 60fps เป็นตัวแปรเบาที่ได้จากการดิสติล คุณภาพภาพทางทฤษฎียังสู้ 14B เต็มพลังไม่ได้

สิ่งนี้หมายความว่าอะไร

โมเดลโลกกำลังก้าวจาก "เดโมในห้องแล็บ" สู่ "ผลิตภัณฑ์ที่ใช้งานได้จริง" การก้าวที่สำคัญสามด้านของ LingBot-World 2.0 — ระยะเวลาไม่จำกัด การตอบสนองเรียลไทม์ และการขับเคลื่อนด้วยเอเจนต์ — ตรงกับความต้องการหลักของสามสถานการณ์การใช้งานคือเกม โลกเสมือน และการฝึกฝนหุ่นยนต์พอดี

ลองนึกภาพดูสิ: ภาพหนึ่งใบบวกข้อความหนึ่งชุด AI ก็สร้างโลก 3D ที่คุณสำรวจได้อย่างอิสระและไม่มีวันหยุดหยุด มีทั้งตัวละครที่ร่ายเวทได้ วัตถุใหม่ที่ปรากฏแบบสุ่ม และสภาพแวดล้อมที่พัฒนาต่อเนื่อง นี่ไม่ใช่นิยายวิทยาศาสตร์แล้ว แต่เป็นโค้ดที่รันได้ตั้งแต่วันนี้

ทีม Ant Lingbo ก้าวจาก LingBot-Depth (การรับรู้เชิงพื้นที่) สู่ LingBot-VLA (การตัดสินใจแบบ embodied) และ LingBot-World (การจำลองโลก) บวกกับ LingBot-Map (การสร้างแผนที่เรียลไทม์) ที่เพิ่งเปิดซอร์สใหม่ ทำให้สร้างเทคโนโลยีสแตก embodied intelligence ที่สมบูรณ์ขึ้นมาแล้ว โมเดลโลกคือชิ้นส่วนจิ๊กซอว์ที่สำคัญที่สุด — มันทำให้ AI ไม่ใช่แค่ "เข้าใจ" โลก แต่ "สร้าง" โลกได้ด้วย

ภาพหนึ่งใบ ประโยคหนึ่งประโยค โลกไร้ขีดจำกัดหนึ่งใบ นี่คือปี 2026 ของโมเดลโลก

ที่อยู่โปรเจกต์: github.com/Robbyant/lingbot-world-v2
งานวิจัย: arxiv.org/abs/2607.07534
ทดลองเล่นออนไลน์: reactor.inc/lingbot-world-v2